遗传算法优化确定BP神经网络的遥感图像分类

来源:用户上传      作者:

　　摘  要： 传统的BP神经网络对于遥感图像的分类精度较低，因此设计一种遗传算法优化确定BP神经网络的遥感图像分类方法。通过建立神经元数学模型，分析其传递信息的过程，求取BP网络误差权及最优解，分析遥感图像中不同波段的差别并进行预处理，利用OIF指数来确定参与分类的波段最优组合，建立图像分类体系并确定土地类型，通过输出矩阵向量完成遥感图像土地类型的分类。利用传统分类方法和设计的方法对相同的遥感图像进行实验，实验结果表明，设计方法的分类精度比传统方法高出9.08%。
　　关键词： 遥感图像分类; BP神经网络; 遗传优化算法; 神经元数学建模; 图像预处理; 土地类型分类
　　中图分类号： TN911.73?34; TP753                文献标识码： A                     文章编号： 1004?373X（2020）12?0047?03
　　Abstract： As the traditional BP neural network has low accuracy for the classification of remote sensing images， a method of remote sensing image classification of BP neural network determined with the genetic algorithm optimization is designed. The mathematical model of neurons is established， and the error weight of BP network and the optimal solution are obtained by analyzing the process of information transmission. The difference of different wave bands in remote sensing image are analyzed and preprocessed. The OIF index is used to determine the optimal combination of bands participating in the classification. The image classification system is established and the land types are confirmed. The classification of the land types of remote sensing images are completed by means of the output of matrix vectors. The experiments of the same remote sensing images classified by the traditional classification method and the method designed in this paper were carried out. The experimental results show that the classification accuracy of the designed method is 9.08% higher than that of the traditional method.
　　Keywords： remote sensing image classification; BP neural network; genetic optimization algorithm; neurons mathematical modeling; image preprocessing; land type classification
　　0  引  言
　　遙感图像是传感器获得信息的产物，它作为一种信息载体能够反映出一些地形特征，如某片区域的水体、植被、山地、平原等，在资源调查、地质调查、测绘、考古等多个领域发挥着重要的作用[1?2]。如何对遥感图像进行分类，是近年来的研究热点。人工神经网络在遥感图像分类中应用广泛，其中应用最多的是BP神经网络，而传统的BP神经网络分类方法精度较低，因此设计一种遗传算法优化确定BP神经网络的遥感图像分类方法。
　　通过建立神经元数学模型，分析其传递信息的过程，求取BP网络误差权及最优解，分析遥感图像中不同波段的差别并进行预处理[3?4]，利用OIF指数来确定参与分类的波段最优组合，建立图像分类体系并确定土地类型，通过输出矩阵向量完成遥感图像土地类型的分类。实验结果表明，设计方法的分类精度比传统方法高出9.08%。
　　1  遗传算法优化确定BP神经网络的遥感图像分类
　　1.1  分析BP网络误差权
　　BP多层前馈误差反向传播神经网络，其结构为三层感知[5]，包括输入层、隐含层、输出层，如图1所示。
　　网络误差权就是各层权重（权值、阈值）和输入样本所对应的函数，在BP神经网络中，最基本的组成单元就是神经元。在数学模型中，神经元模拟生物学中的神经细胞，拥有与神经细胞相似的拓扑结构。生物神经元细胞由突触、树突、细胞体、轴突等组成，轴突能够向其他神经元输出信号[6]，完成两个神经元之间的信息传递。神经元对于信息的处理是非线性过程，可以得到BP神经网络抽象的神经元数学模型，如图2所示。 　　式中：[X（net）]为神经网络均方差;[fji]为实际输入值;[Tji]为期望输出值。该函数代表着多维空间中的一个复杂曲面[7]，在遥感图像分类中，BP神经网络的寻优过程就是求误差极限值，误差极限值与初始点权重紧密相连，初始点权重变化不明显，所需调整时间较长，迭代次数多，误差大，导致分类精度低。
　　1.2  遥感图像预处理
　　在对BP神经网络误差权进行分析后，需要对遥感图像进行分类处理，分类时需要找出多种特征才能提高分类精度[8]，BP神经网络主要是依靠遥感图像中波段的差别进行分类，图像中包含的各波段光谱参数如表1所示。
　　为了对遥感图像进行精准分类而增加波段数量，反而会造成信息重叠、无用信息增多从而影响分类精度，因此要利用OIF指数来进行平衡[9]。OIF指数是一种用于特征分类识别的光谱特征子集，OIF指数法中，图像波段标准差越大，信息量越多;波段之间相关系数越小，各波段间的独立性越高，信息冗余度越低。因此可以利用OIF来确定参与分类的波段最优组合：
　　1.3  完成遥感图像分类
　　在对遥感图像分类前，需要建立分类体系[12]。确定分类体系需要遵循三个原则：分类类型符合实际情况;确定的分类类型能进一步细化或聚合;确定的类型能在实际的图像中找到对应的特征。在以上原则基础上，结合待研究区域的实际情况将地物分类类型进行划分，类型、定义与特征见表2。分类体系建立后，将预处理后的图像数据输入到BP神经网络中[13?14]，设BP神经网络的期望输出向量为[Y]，那么：
　　2  实  验
　　为了验证本文遗传算法优化确定BP神经网络的遥感图像分类的精度较高，设计对比实验，将相同的遥感图像，用传统分类方法和本文分类方法进行分类，得到误差矩阵，并最终计算出分类精度。
　　2.1  实验准备
　　本实验主要利用Matlab的神经网络对遗传算法模块编程，首先采用遗传算法优化网络的初始权重和隐含层神经元数目，然后利用BP神经网络算法完成网格训练，最后读入待分类数据及辅助数据，实现遥感图像的分类。为保证分类的速度，对实验环境进行设置，环境参数如表3所示。
　　2.2  实验结果与分析
　　在上述条件下进行实验，得到两种方法的误差矩阵如表4、表5所示。
　　两个表中，C1～C7分别为耕地、林地、水田、水域、居民地、商业建筑、道路，根据矩阵可以求出，传统方法的总体分类精度Pc=（6 489/7 659）=84.77%，本文算法的总体分类精度Pc=（14 998/15 981）=93.85%。因此可以得知，本文方法精度比传统方法高出9.08%。
　　3  结  语
　　本文通过建立神经元数学模型，分析传递信息过程求取BP神经网络误差权，利用OIF指数来确定参与分类的波段最优组合，建立图像分类体系并确定土地类型，通过输出矩阵向量完成遥感图像土地类型的分类。对相同的遥感图像利用传统分类方法和设计的方法进行实验对比，结果表明所设计方法的分类精度比传统方法高出9.08%。
　　参考文献
　　[1] 黄宏运，朱家明，李诗争.基于遗传算法优化的BP神经网络在股指预测中的应用研究[J].云南大学学报（自然科学版），2017，39（3）：350?355.
　　[2] 杨怡涵，柳炳祥.一种基于遗传算法优化BP神经网络的陶瓷原料分类方法[J].陶瓷學报，2018，39（3）：340?344.
　　[3] 施佩荣，陈永富，刘华，等.基于改进的面向对象遥感影像分类方法研究：以西藏米林县典型林区为例[J].遥感技术与应用，2017，32（3）：466?474.
　　[4] 慎利，吴林梅，方灿明.面向高分辨率遥感影像分类的多尺度光谱?空间?语义特征融合[J].地理与地理信息科学，2017，33（5）：1?8.
　　[5] 赵鹏飞，周绍光，裔阳，等.基于SLIC和主动学习的高光谱遥感图像分类方法[J].计算机工程与应用，2017，53（3）：183?187.
　　[6] 李亚飞，董红斌.基于卷积神经网络的遥感图像分类研究[J].智能系统学报，2018，13（4）：550?556.
　　[7] 王巧玉，陈锻生.结合波段选择和保边去噪滤波的高光谱遥感图像分类[J].小型微型计算机系统，2017，38（5）：1098?1102.
　　[8] 曾小华，李广含，宋大凤，等.基于遗传算法优化的BP神经网络侧翻预警算法[J].华南理工大学学报（自然科学版），2017，45（2）：30?38.
　　[9] 欧阳福生，游俊峰，方伟刚.BP神经网络结合遗传算法优化MIP工艺的产品分布[J].石油炼制与化工，2018，49（8）：98?104.
　　[10] 田静，邢艳秋，姚松涛，等.基于元胞自动机和BP神经网络算法的Landsat?TM遥感影像森林类型分类比较[J].林业科学，2017，53（2）：26?34.
　　[11] 徐辉，潘萍，宁金魁，等.多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用[J].东北林业大学学报，2018，46（1）：63?67.
　　[12] 陈磊士，赵俊三，李易，等.基于机器学习的多源遥感影像融合土地利用分类研究[J].西南师范大学学报（自然科学版），2018，43（10）：103?111.
　　[13] 姚相坤，万里红，霍宏，等.基于多结构卷积神经网络的高分遥感影像飞机目标检测[J].计算机工程，2017，43（1）：259?267.
　　[14] 方旭，王光辉，杨化超，等.结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类[J].激光与光电子学进展，2018，55（2）：446?454.
转载注明来源:https://www.xzbu.com/8/view-15248799.htm